論文の概要: Dynamic Causal Structure Discovery and Causal Effect Estimation

• arxiv url: http://arxiv.org/abs/2501.06534v1
• Date: Sat, 11 Jan 2025 12:52:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-14 14:28:38.922815
• Title: Dynamic Causal Structure Discovery and Causal Effect Estimation
• Title（参考訳）: 動的因果構造発見と因果効果推定
• Authors: Jianian Wang, Rui Song,
• Abstract要約: 因果関係の時間変化を許容する動的因果関係グラフをモデル化する新しい枠組みを開発する。 因果グラフ上で過去の推定値と将来の予測値の両方を提供するアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 5.943525863330208
• License:
• Abstract: To represent the causal relationships between variables, a directed acyclic graph (DAG) is widely utilized in many areas, such as social sciences, epidemics, and genetics. Many causal structure learning approaches are developed to learn the hidden causal structure utilizing deep-learning approaches. However, these approaches have a hidden assumption that the causal relationship remains unchanged over time, which may not hold in real life. In this paper, we develop a new framework to model the dynamic causal graph where the causal relations are allowed to be time-varying. We incorporate the basis approximation method into the score-based causal discovery approach to capture the dynamic pattern of the causal graphs. Utilizing the autoregressive model structure, we could capture both contemporaneous and time-lagged causal relationships while allowing them to vary with time. We propose an algorithm that could provide both past-time estimates and future-time predictions on the causal graphs, and conduct simulations to demonstrate the usefulness of the proposed method. We also apply the proposed method for the covid-data analysis, and provide causal estimates on how policy restriction's effect changes.
• Abstract（参考訳）: 変数間の因果関係を表現するために、有向非巡回グラフ(DAG)は社会科学、疫病、遺伝学など多くの分野で広く利用されている。 深層学習を用いた隠れ因果構造学習のために,多くの因果構造学習手法が開発されている。 しかし、これらのアプローチは因果関係が時間とともに変化しないという隠れた仮定を持ち、これは実生活では成り立たないかもしれない。 本稿では,因果関係の時間変化を許容する動的因果グラフをモデル化する新しい枠組みを開発する。 基礎近似法をスコアベース因果探索法に取り入れ,因果グラフの動的パターンを捉える。 自己回帰モデル構造を用いることで、同時性および時間差の因果関係を捉えながら、時間とともに変化させることができる。 因果グラフ上で過去の推定値と将来予測値の両方を提供するアルゴリズムを提案し,提案手法の有用性を実証するためにシミュレーションを行う。 また,提案手法をコビッドデータ解析に適用し,政策制約の効果がどう変化するかの因果推定を行う。

関連論文リスト

• ExDBN: Exact learning of Dynamic Bayesian Networks [2.2499166814992435]
  本稿では,データから因果学習を行うためのスコアベースの学習手法を提案する。 提案手法は, 最大25の時系列の小型・中規模の合成インスタンスに適用した場合, 優れた結果が得られた。 バイオサイエンスとファイナンスにおける2つの興味深い応用は、この方法を直接適用することで、高度に正確でグローバルに収束した解法を開発する機会をさらに強調するものである。
  論文  参考訳（メタデータ） (2024-10-21T15:27:18Z)
• On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
  時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。 ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。 我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-24T08:08:05Z)
• Identifiable Latent Polynomial Causal Models Through the Lens of Change [82.14087963690561]
  因果表現学習は、観測された低レベルデータから潜在的な高レベル因果表現を明らかにすることを目的としている。 主な課題の1つは、識別可能性(identifiability)として知られるこれらの潜伏因果モデルを特定する信頼性の高い保証を提供することである。
  論文  参考訳（メタデータ） (2023-10-24T07:46:10Z)
• Interpretable Imitation Learning with Dynamic Causal Relations [65.18456572421702]
  得られた知識を有向非巡回因果グラフの形で公開することを提案する。 また、この因果発見プロセスを状態依存的に設計し、潜在因果グラフのダイナミクスをモデル化する。 提案するフレームワークは,動的因果探索モジュール,因果符号化モジュール,予測モジュールの3つの部分から構成され,エンドツーエンドで訓練される。
  論文  参考訳（メタデータ） (2023-09-30T20:59:42Z)
• From Temporal to Contemporaneous Iterative Causal Discovery in the Presence of Latent Confounders [6.365889364810238]
  本稿では,観測時系列データから因果構造を学習するための制約に基づくアルゴリズムを提案する。 我々は、時間的・同時的な因果関係を持つ離散的、定常的な構造的ベクトル自己回帰過程を仮定する。 提案アルゴリズムは、時間的長期関係を短時間で学習することで、因果グラフを徐々に洗練し、同時期関係を最後に学習する。
  論文  参考訳（メタデータ） (2023-06-01T12:46:06Z)
• Causal discovery for time series with constraint-based model and PMIME measure [0.0]
  本稿では,因果探索アルゴリズムと情報理論に基づく測度を組み合わせた時系列データにおける因果関係の発見手法を提案する。 提案手法を複数のシミュレーションデータセット上で評価し,有望な結果を示す。
  論文  参考訳（メタデータ） (2023-05-31T09:38:50Z)
• DOMINO: Visual Causal Reasoning with Time-Dependent Phenomena [59.291745595756346]
  本研究では,時間遅延のウィンドウに関連する因果関係の発見に人間が参加できる視覚分析手法を提案する。 具体的には、論理に基づく因果関係の確立した手法を活用し、分析者が潜在的な原因の重要性を検証できるようにする。 効果は他の効果の原因となりうるので,本手法で検出した時間的要因と効果の関係を視覚フロー図にまとめることができる。
  論文  参考訳（メタデータ） (2023-03-12T03:40:21Z)
• NODAGS-Flow: Nonlinear Cyclic Causal Structure Learning [8.20217860574125]
  我々はNODAGS-Flowと呼ばれる介入データから非線形循環因果モデルを学習するための新しいフレームワークを提案する。 構造回復と予測性能に対する最先端手法と比較して,本手法による大幅な性能向上を示す。
  論文  参考訳（メタデータ） (2023-01-04T23:28:18Z)
• Disentangling Observed Causal Effects from Latent Confounders using Method of Moments [67.27068846108047]
  我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。 我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
  論文  参考訳（メタデータ） (2021-01-17T07:48:45Z)
• Amortized Causal Discovery: Learning to Infer Causal Graphs from Time-Series Data [63.15776078733762]
  本稿では,時系列データから因果関係を推定する新しいフレームワークであるAmortized Causal Discoveryを提案する。 本研究では,本手法が変分モデルとして実装され,因果発見性能が大幅に向上することを示した。
  論文  参考訳（メタデータ） (2020-06-18T19:59:12Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。